IV.2Банки, платежи и инвестиции

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%. Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

Модель Donut, дообученная на счетах-фактурах. Она принимает изображение документа и генерирует текст с типом документа и извлечёнными полями: валютой, датой, общей и налоговой суммами, номером счёта, номером заказа и страной кредитора. Для документов другого типа поле типа документа получает значение Other. Архитектура vision encoder-decoder объединяет визуальный энкодер Swin Transformer и текстовый декодер BART. Модель обучалась на нескольких тысячах размеченных счетов и документов других типов из разных стран и на разных языках; обучающая выборка содержала только одностраничные документы. Для обработки задано разрешение 1280×1920 пикселей. Модель предназначена для экспериментов с извлечением данных из многоязычных счетов. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях с ограничением на коммерческое использование. Набор данных закрытый, а заявленное обучение на счетах не гарантирует точность для конкретных языков, форматов или качества сканов.

EXAONE-Deep-7.8B-sft_v0_2 — корейская диалоговая языковая модель jwg0830, дообученная на базе LGAI-EXAONE/EXAONE-Deep-7.8B. Разработчик применил LoRA дообучение и объединил адаптер с базовой моделью; архитектура EXAONE и реализация модели не менялись. Модель содержит 7,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с более устойчивым форматом вывода и усиленным причинно-следственным рассуждением. В README описано обучение на данных для задач по корейскому языку, медицине, финансам, праву, административным документам и причинно-следственному анализу, а также собственная оценка на пяти proxy-наборах, не являющаяся официальным результатом K-AI. В метаданных указана библиотека Transformers и лицензия «other»; конкретные условия лицензии следует уточнять в репозитории.

HerBERT Polish Legal NER — PII / Anonymization (OCR-robust) — польская модель разметки токенов для выявления персональных и других чувствительных данных в юридических и административных документах. Разработчик дообучил allegro/herbert-base-cased на польских данных и добавил аугментацию через рендеринг и OCR, чтобы модель распознавала имена людей в тексте с ошибками распознавания, пропущенными диакритическими знаками и фрагментированными фамилиями. Модель содержит 151,6 млн параметров, использует архитектуру BERT и контекст до 514 токенов; доступны веса Safetensors и ONNX, лицензия CC BY 4.0. Модель размечает сущности, включая людей, организации, адреса, даты, суммы, контакты, идентификаторы, IBAN и медицинские сведения. Она предназначена для поиска PII перед маскированием или анонимизацией, особенно в отсканированных и сфотографированных документах. Внутренние оценки указывают на лучшее обнаружение имён в OCR-тексте по сравнению с вариантом без OCR-аугментации, но качество на небольшом наборе документов не гарантирует полноту защиты. Для чувствительных данных модель рассчитана на локальный запуск, в том числе в браузере через ONNX Runtime Web или Transformers.js. Для надёжной анонимизации рекомендуется дополнять её проверками форматов идентификаторов, постобработкой и проверкой человеком.

Kairos-10M — компактная модель временных рядов, опубликованная mldi-lab и представленная в исследовательской работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на конкретной задаче и ориентирована на работу с данными из разных областей. Модель использует трансформерную архитектуру с адаптивной токенизацией патчей, кодировщиком с выбором размера токенов и динамическим позиционным кодированием DRoPE. В карточке указаны 3,7 млн параметров и контекст 512 токенов; README приводит приблизительную оценку в 10 млн параметров. Обучение проводилось на корпусе PreSTS, включающем более 300 млрд точек временных рядов. Kairos-10M заявлена как эффективная модель с обобщением на новые временные ряды без дополнительного обучения. Она работает с числовыми последовательностями и выдаёт прогнозы; сведения о поддерживаемых языках в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

ParkJunSeong разработал и опубликовал модель для обнаружения персональных данных в корейском тексте. Это дообученная версия монологг/koelectra-base-v3-discriminator на архитектуре ELECTRA, предназначенная для токенной классификации и распознавания сущностей: имён, регистрационных номеров жителей, телефонов и других категорий персональных данных. Модель содержит 140,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: F1 95,92, точность 95,46, полнота 96,38 и accuracy 99,69; набор данных и условия оценки не описаны, поэтому эти показатели могут не отражать качество на других данных. Модель рассчитана на корейский язык. Лицензия — Apache-2.0.

OpenMed privacy-filter-nemotron-v2 — модель OpenMed для обнаружения персональных данных и подготовки текста к маскированию или деидентификации. Это дообученная модель token classification на базе openai/privacy-filter; она использует архитектуру MoE и размечает последовательности токенов метками BIOES. В README указано 1,4 млрд параметров в базовой модели и около 50 млн активных параметров на токен; метаданные этого репозитория указывают 145,4 млн параметров. Контекст модели — 131 072 токена. Модель предназначена для разметки текста по 55 категориям PII, включая имена, контакты, адреса, государственные и финансовые идентификаторы, медицинские номера и цифровые секреты. Версия v2 обучена на более широком наборе синтетических примеров и ориентирована на более полное обнаружение PII при сохранении детализированной схемы меток. Карточка перечисляет языки от болгарского и чешского до словацкого; датасеты включают Nemotron-PII, Gretel PII Masking и OpenPII. Для корректного маскирования README рекомендует декодирование BIOES с объединением пересекающихся и соседних фрагментов. Модель экспериментальная и требует проверки на целевом домене; для клинических, юридических и других регулируемых данных её следует включать в более широкий процесс деидентификации с аудитом и проверкой человеком. Лицензия указана как other, без уточнённых условий в предоставленных данных.

Anonym-IA разработала V2 CamemBERT-NER-PII French — модель CamemBERT-base, дообученную для обнаружения персональных данных в документах на французском языке. Она предназначена для последующей анонимизации или псевдонимизации конфиденциальных документов, в частности юридических материалов и документов регулируемых профессий. Модель выполняет классификацию токенов и размечает категории PII, включая имена, адреса, номера социального страхования, IBAN, номера юридических дел, кадастровые ссылки и названия компаний; README заявляет более 70 категорий. Указан F1 0,933 на гибридном наборе данных примерно из 57 тысяч примеров. Базовая модель — almanach/camembert-base; размер модели в метаданных — 137,8 млн параметров, контекст — 2050 токенов. Для запуска описаны варианты ONNX FP32 и INT8, но основной формат репозитория — safetensors. Модель ориентирована на французские документы. Она выделяет сущности для последующей обработки, а не выполняет полную замену данных сама по себе. Заявленная оценка качества относится к описанному набору данных; результаты на других типах документов могут отличаться. Лицензия — MIT.

AX-3.1-Light-sft_v0_2 — корейская разговорная модель генерации текста, разработанная на основе skt/A.X-3.1-Light. Авторы выполнили LoRA дообучение на 5 801 примере из корейских данных AI Hub и объединили адаптер с базовой моделью; архитектуру LlamaForCausalLM не меняли. Модель содержит 6,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и ответов на вопросы по корейским учебным, медицинским, финансовым, юридическим и административным материалам, а также для задач рассуждения. Основной акцент дообучения — более стабильное соблюдение формата вывода в пяти направлениях корейских бенчмарков K-AI; авторы сообщают о результатах собственного proxy-бенчмарка, который не является официальной оценкой. Репозиторий содержит веса Safetensors и помечен лицензией other; конкретные условия лицензии следует уточнять в карточке модели.

AX-3.1-Light-sft_v3_1b_0.5 — созданная автором модели производная на основе SKT A.X-3.1-Light. Она получена усреднением весов двух дообученных моделей: sft_v0_21 и sft_v3_1b_safe, взятых с равными коэффициентами 0,5; повторного обучения на данных и изменений архитектуры не проводилось. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,8 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов на корейском языке. В README описана проверка объединения сильных сторон исходных вариантов на тестах по корейскому языку, медицине, финансам и праву; приведённые результаты — локальные ориентиры, а не официальные оценки K-AI. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнить в карточке базовой модели и связанных материалов.

perlious-Savage/layoutlmv3-cord-extraction — модель Perlious-Savage для извлечения полей из изображений чеков. Она основана на LayoutLMv3-base от Microsoft и дообучена на датасете CORD-v2; архитектура LayoutLMv3 объединяет анализ текста, изображения и структуры документа. Модель с 151,8 млн параметров выполняет классификацию токенов и выделяет поля чека, размеченные 59 типами BIO, включая позиции меню, количество, цены, налоги, чаевые и суммы оплаты. Родной контекст — 514 токенов; карточка указывает английский язык. В README приведён entity-level F1 0,948 на тестовой выборке CORD-v2 из 100 документов, однако авторы отмечают, что оценка основана на одном запуске. Модель предназначена для извлечения данных из розничных чеков, а не для проверки KYC или регуляторного соответствия. Редкие категории извлекаются хуже; числа и разбор сумм рассчитаны на индонезийский формат, где точка обозначает разделитель тысяч. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Qwen2-Math-72B-Instruct-IMat-GGUF — квантизированная версия языковой модели Qwen/Qwen2-Math-72B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста в диалоговом формате и решения математических задач, включая сценарии локального запуска через совместимые инструменты llama.cpp и GGUF. Модель содержит 72 млрд параметров, изначально представлена в формате BF16 и доступна в нескольких вариантах GGUF-квантизации: от Q8_0 до 1–3-битных форматов, включая Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix, призванная сохранить качество при уменьшении размера. В карточке указаны английский язык и текстовая модальность; размер контекста и точная архитектура не приведены. Сильная сторона модели — специализация на математическом рассуждении и широкий выбор вариантов квантизации, позволяющий выбирать баланс между качеством, размером файлов и требованиями к памяти. Ограничения связаны с очень большим исходным размером: даже доступные квантизированные файлы занимают примерно от 29,81 до 77,26 ГБ, а некоторые варианты разделены на несколько частей. Качество и потребление ресурсов зависят от выбранного формата квантизации. Лицензия обозначена как other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen/Qwen2-Math-72B-Instruct.

oxfrug/chronos-2-int8-torchao — облегчённая INT8-версия Chronos-2 от Amazon, подготовленная автором репозитория oxfrug. Она предназначена для zero-shot прогнозирования временных рядов: принимает исторические значения и строит прогноз на следующие часы или дни; поддерживает одномерные и многомерные ряды с ковариатами. Архитектура основана на T5, в репозитории указано 99,1 млн параметров. Большие линейные слои используют весовую квантизацию torchao INT8, а квантильная голова оставлена в исходной точности; дополнительного обучения не проводилось. Пакет весит около 131 МБ и требует меньше видеопамяти, чем исходная версия. Для загрузки нужен предоставленный в репозитории load.py: обычный from_pretrained эти INT8-файлы не читает. Квантизация сама по себе не гарантирует ускорения; на указанной в карточке RTX 3090 INT8-вариант был немного медленнее FP32. В проведённых автором коротких сравнениях прогнозы в целом оставались близкими к исходным, но отдельные недельные прогнозы заметно расходились, а интервалы P10–P90 могли недопокрывать наблюдения. Лицензия — Apache-2.0.

Kanana-1.5-15.7B-A3B-Instruct-sftv02 — Kakao Corp.의 Kanana-1.5 기반 한국어 대화 모델로, AI Hub 데이터에 LoRA 방식으로 дообученная и затем объединённая с базовой моделью. Обучение было направлено на повышение стабильности формата ответов в пяти направлениях корейских бенчмарков: KMMLU, CLIcK, HLE, MuSR и Com2-main. Модель использует архитектуру Mixtral MoE, принимает текст и генерирует текст; контекст — до 32 768 токенов, размер репозитория по метаданным — 824,7 млн параметров. Модель подходит для ответов на вопросы и решения задач на корейском языке, включая школьные задания, медицину, финансовые и юридические документы, административные тексты и причинно-следственные рассуждения. В собственных proxy-тестах автор сообщает об улучшениях стабильности ответов относительно базы, но эти результаты не являются официальными баллами K-AI; тест Com2-main использует синтетические варианты ответов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

Salesforce/moirai-moe-1.0-R-small — компактная предварительно обученная модель семейства Moirai для прогнозирования временных рядов, опубликованная Salesforce. Веса представлены в формате safetensors и содержат 12,4 млн параметров. Модель предназначена для построения прогнозов по историческим значениям временных рядов. Её можно рассматривать для исследовательских и прикладных сценариев прогнозирования, предварительно проверив качество на целевых данных и условиях эксплуатации. В карточке указано, что выпуск поддерживает академическую статью и предназначен для исследований; модель и связанные данные не оценивались для всех сценариев применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели TechnoBaptist/privacy-filter-multilingual-v2 на Hugging Face совпадает с карточкой OpenMed/privacy-filter-multilingual-v2, поэтому описание составлено по ней. OpenMed разработала OpenMed/privacy-filter-multilingual-v2 — мультиязычную модель для извлечения персональных данных из текста. Это полноценно дообученная на базе openai/privacy-filter модель с архитектурой MoE и BIOES-головой классификации токенов. Она размечает фрагменты по 54 категориям PII, используя 217 меток BIOES. В метаданных указано 145,4 млн параметров и контекст до 131 072 токенов; карточка описывает исходную базовую модель как MoE на 1,4 млрд параметров с 50 млн активных параметров на токен. Модель предназначена для обнаружения и последующего маскирования персональных данных в многоязычных текстах; обёртка OpenMed также поддерживает извлечение сущностей и деидентификацию с заменой значений. Поддерживаются арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Весовые файлы представлены в формате safetensors, лицензия — Apache-2.0. Качество неравномерно: карточка отмечает более слабые результаты для японского, корейского, китайского и ряда языков с низкими ресурсами. Обучающие данные преимущественно синтетические, поэтому для реальных текстов и критически важных сценариев нужны доменная оценка и калибровка; модель не является специализированным решением для клинических медицинских данных и не заменяет проверку требований законодательства.

AXONVERTEX-AI-RESEARCH/qwen2.5-0.5b-pii-anonymizer — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct для контекстной анонимизации персональных данных. Она переписывает текст, заменяя PII реалистичными синтетическими данными и стараясь сохранять грамматику, форматирование, тон и смысл. Модель рассчитана на обработку документов, переписки и записей с персональными данными; заявлена поддержка более 55 категорий PII в корпоративных, медицинских, финансовых и разговорных сценариях. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она принимает и генерирует текст, обучена с QLoRA на наборах Nemotron-PII и ai4privacy/pii-masking-200k. В карточке указаны английский, французский, немецкий и итальянский языки, при этом качество лучше всего для английского. Лицензия обозначена как other; README запрещает коммерческое использование без одобрения AI4Privacy, поэтому перед применением необходимо проверить условия лицензии. Модель может создавать читаемые обезличенные данные, сохраняя полезность документов для анализа и тестирования. Среди ограничений — пропуски персональных данных, чрезмерная замена обычных слов, иногда неподходящий формат синтетических идентификаторов, редкие артефакты и недетерминированные результаты. README указывает, что это первая фаза конвейера, и не рекомендует использовать её как единственную меру обеспечения соответствия требованиям приватности.

SQLCoder-7B — языковая модель компании Defog для преобразования вопросов на естественном языке в SQL-запросы. Она дообучена на базе Mistral-7B и содержит 7,1 млрд параметров; архитектура — плотная авторегрессионная Mistral, формат весов в репозитории — PyTorch. Модель рассчитана на работу с текстовым описанием схемы базы данных и вопросом пользователя; заявленная длина контекста — 32 768 токенов. В карточке приведены результаты оценки на новых наборах данных и отмечено обучение на более чем 20 000 размеченных вопросов по 10 схемам. Модель подходит для генерации SQL по запросам на английском языке, в том числе для аналитических вопросов с группировкой, сортировкой и датами. Качество зависит от точности и полноты переданной схемы и формулировки вопроса; карточка сообщает, что эта версия устарела и рекомендует более новую SQLCoder-7B-2. Для инференса указана библиотека Transformers; тестирование проводилось на A100 с весами bfloat16, а для запуска на потребительских GPU предлагаются 8- и 4-битные варианты. Лицензия — CC BY-SA 4.0.

1T разработала Veil PII KO Lite — модель для обнаружения и классификации персональных данных в корейском тексте. Это дообученная KoELECTRA-base-v3 с архитектурой ELECTRA и 32 категориями PII; модель содержит 140,1 млн параметров и обрабатывает до 512 токенов за окно. Репозиторий включает веса Safetensors и оптимизированный для CPU формат ONNX INT8. Модель предназначена для локального обнаружения и маскирования персональных данных в диалогах и документах, в том числе в изолированных on-premise-средах. README сообщает о высоких результатах на тестах корейских диалогов и данных BCCard; длинные тексты обрабатываются скользящими окнами с перекрытием. По карточке заявлена поддержка корейского и английского языков. Качество может снижаться для имён, адресов и организаций, требующих контекстного анализа, а также для нестандартно записанных идентификаторов: например, удаление разделителей в телефонном номере заметно ухудшает F1, а пробелы между символами модель пока обрабатывает ненадёжно. Для таких входных данных README рекомендует при необходимости добавить правила на основе регулярных выражений. Лицензия — Apache-2.0.

WavLM-Base-Plus-SV — модель Microsoft для проверки и сопоставления голосов. Она основана на WavLM и дообучена на наборе VoxCeleb1: к акустической модели добавлена голова X-Vector, обученная с функцией потерь Additive Margin Softmax. В архитектуре используется WavLM с Transformer; модель содержит 113,3 млн параметров. Модель принимает речевой аудиосигнал, записанный с частотой 16 кГц, и предназначена для получения признаков голоса, пригодных для распознавания и верификации говорящего. Она предварительно обучалась на корпусах Libri-Light, GigaSpeech и VoxPopuli. Модель не предназначена для распознавания речи «из коробки»: у неё нет токенизатора, и для ASR потребуется отдельная донастройка на размеченных текстовых данных. Лицензия в предоставленных данных не указана.

Arlo Extract 1.0 — модель NoaberAI для извлечения конкретных значений из текста по вопросу. Она дообучена на многоязычной основе microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с головой extractive question answering: модель выбирает начальную и конечную позиции ответа в исходном тексте, а не генерирует его заново. Размер по метаданным — 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для извлечения дат, сумм, характеристик, мест и имён из документов и свободного текста. Она возвращает найденный фрагмент вместе с оценкой уверенности и может сообщить, что ответ отсутствует. Основной язык обучения — нидерландский; многоязычная основа позволяет применять её и к текстам на других языках, хотя README отмечает обучение именно на нидерландских данных. Лицензия — MIT.

Карточка модели tiensi/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

dragon-deci-6b-v0 — модель серии dRAGon от llmware, дообученная для ответов на вопросы по контексту документов. Она предназначена для RAG-сценариев в корпоративных процессах, особенно при работе со сложными деловыми, юридическими и нормативными материалами. Основные задачи — ответы на вопросы, извлечение пар «ключ—значение» и краткое суммирование с опорой на предоставленный текст; модель рассчитана на короткие, ясные ответы и снижение галлюцинаций. Модель построена на Deci-6B, использует архитектуру DeciLMForCausalLM и содержит 6,6 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст до 4096 токенов. В описанном тестировании RAG-Instruct-Benchmark-Tester получила 94,25 балла из 100; результаты отдельных прогонов не гарантируют точность на других данных. Лицензия — Llama 2 Community License. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки.

Карточка модели mario-d-robot/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

DRAGON-QWEN-7B — модель серии dRAGon от llmware, дообученная для ответов на вопросы по сложным деловым и юридическим документам. Она основана на Qwen2-7B-Base и использует архитектуру Qwen2 с плотной causal language model на 7,1 млрд параметров; принимает текст и генерирует текст. Модель предназначена для RAG-сценариев: ответов по предоставленному контексту, извлечения пар ключ-значение и краткого суммирования. В карточке заявлены английский язык и контекст до 131 072 токенов. Разработчик сообщает о настройке на фактические ответы, снижении галлюцинаций и пригодности к автоматизации рабочих процессов; в одном тестовом прогоне квантованной версии GGUF указаны 99 правильных ответов из 100. Это результат отдельного теста разработчика, а не гарантия качества в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

dragon-red-pajama-7b-v0 — модель серии dRAGon, разработанная llmware и дообученная для ответов по контексту. Она предназначена для фактологического вопросно-ответного поиска по сложным деловым, юридическим и нормативным документам, извлечения пар «ключ—значение» и краткого суммирования. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 2048 токенов. README указывает английский язык и настройку на короткие, ясные ответы для автоматизации рабочих процессов; в приведённых тестовых запусках галлюцинаций не наблюдалось. Модель принимает текстовый контекст и инструкции и генерирует текстовые ответы. Она может выдавать неточные или неполные сведения, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

Карточка модели 6chongbin/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

PointerHQ/Qwen2.5-VL-72B-Instruct-Pointer-AWQ — мультимодальная instruction-tuned модель, созданная на базе Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий PointerHQ содержит исправленную версию квантованной AWQ-модели для запуска через vLLM с tensor parallel на 2, 4 или 8 GPU; для работы указана версия vllm==0.7.3. Разработчик базовой модели — команда Qwen. Модель предназначена для анализа изображений и видео, визуального распознавания и рассуждений, извлечения текста и структурированных данных из документов, счетов, форм и таблиц, анализа графиков, диаграмм, макетов и значков. Она также поддерживает визуальную локализацию объектов с помощью ограничивающих рамок или точек, вывод координат и атрибутов в JSON, а также сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Заявлено понимание видео длительностью более часа и поиск релевантных временных сегментов. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder ViT с оконным вниманием, SwiGLU и RMSNorm; для видео применяются динамические разрешение и частота кадров, а также временная обработка mRoPE. Размер модели — 72 млрд параметров. В README явно указан английский язык; поддержка других языков для этой версии не заявлена. Сильные стороны — мультимодальный анализ, OCR, работа с документами, графиками и видеопоследовательностями, а также эффективное распределение на несколько GPU. Ограничения — высокая вычислительная требовательность, зависимость от совместимой версии vLLM и необходимость нескольких GPU для заявленного tensor parallel. Лицензия обозначена как other, license_name — qwen; приведена ссылка на лицензию базовой модели Qwen2.5-VL-72B-Instruct.

Карточка модели manny-the-one/GLM-OCR на Hugging Face совпадает с карточкой zai-org/GLM-OCR, поэтому описание составлено по ней. GLM-OCR — мультимодальная модель оптического распознавания символов и понимания документов от zai-org. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, межмодальный коннектор с уменьшением числа токенов и языковой декодер GLM-0.5B. Общее число параметров — 0,9 млрд; модель распространяется в формате safetensors и работает через Transformers. Модель предназначена для распознавания текста и формул, извлечения таблиц, разбора документов и получения структурированных сведений по заданной JSON-схеме. Для полного разбора документов авторы рекомендуют SDK, объединяющий модель с анализом макета PP-DocLayout-V3; модель также можно запускать отдельно для извлечения информации. Заявлена поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. В README приведены результаты тестов на наборах для понимания документов и скорости обработки, но они не гарантируют аналогичных показателей на иных данных и оборудовании. Модель распространяется по лицензии MIT. Для извлечения информации требуется строго задавать JSON-схему; готовый SDK для разбора документов не предназначен для этого сценария.